如何在不默认创建新范围的情况下在 tensorflow 中重用变量范围？答案

【问题标题】：How can you re-use a variable scope in tensorflow without a new scope being created by default?如何在不默认创建新范围的情况下在 tensorflow 中重用变量范围？
【发布时间】：2018-08-23 10:01:19
【问题描述】：

我在图表的一部分中创建了一个变量范围，稍后在图表的另一部分中，我想将 OP 添加到现有范围中。这相当于这个提炼的例子：

import tensorflow as tf

with tf.variable_scope('myscope'):
  tf.Variable(1.0, name='var1')

with tf.variable_scope('myscope', reuse=True):
  tf.Variable(2.0, name='var2')

print([n.name for n in tf.get_default_graph().as_graph_def().node])

产量：

['myscope/var1/initial_value', 
 'myscope/var1', 
 'myscope/var1/Assign', 
 'myscope/var1/read', 
 'myscope_1/var2/initial_value', 
 'myscope_1/var2', 
 'myscope_1/var2/Assign', 
 'myscope_1/var2/read']

我想要的结果是：

['myscope/var1/initial_value', 
 'myscope/var1', 
 'myscope/var1/Assign', 
 'myscope/var1/read', 
 'myscope/var2/initial_value', 
 'myscope/var2', 
 'myscope/var2/Assign', 
 'myscope/var2/read']

我看到这个问题似乎没有直接解决该问题的答案：TensorFlow, how to reuse a variable scope name

【问题讨论】：

标签： python tensorflow machine-learning deep-learning tensor

【解决方案1】：

这是一种在上下文管理器中使用as 和somename 的简单方法。使用这个somename.original_name_scope 属性，您可以检索该范围，然后向其中添加更多变量。下图为：

In [6]: with tf.variable_scope('myscope') as ms1:
   ...:   tf.Variable(1.0, name='var1')
   ...: 
   ...: with tf.variable_scope(ms1.original_name_scope) as ms2:
   ...:   tf.Variable(2.0, name='var2')
   ...: 
   ...: print([n.name for n in tf.get_default_graph().as_graph_def().node])
   ...: 
['myscope/var1/initial_value', 
 'myscope/var1', 
 'myscope/var1/Assign', 
 'myscope/var1/read', 
 'myscope/var2/initial_value', 
 'myscope/var2', 
 'myscope/var2/Assign', 
 'myscope/var2/read']

备注
另请注意，设置reuse=True 是可选的；也就是说，即使你通过reuse=True，你仍然会得到相同的结果。

另一种方法（感谢 OP 本人！）是在重用时在变量范围的末尾添加/，如下例所示：

In [13]: with tf.variable_scope('myscope'):
    ...:   tf.Variable(1.0, name='var1')
    ...: 
    ...: # reuse variable scope by appending `/` to the target variable scope
    ...: with tf.variable_scope('myscope/', reuse=True):
    ...:   tf.Variable(2.0, name='var2')
    ...: 
    ...: print([n.name for n in tf.get_default_graph().as_graph_def().node])
    ...: 
['myscope/var1/initial_value', 
 'myscope/var1', 
 'myscope/var1/Assign', 
 'myscope/var1/read', 
 'myscope/var2/initial_value', 
 'myscope/var2', 
 'myscope/var2/Assign', 
 'myscope/var2/read']

备注：
请注意，设置reuse=True 再次是可选的；也就是说，即使您通过reuse=True，您仍然会得到相同的结果。

【讨论】：

var2 不在myscope 之下，我错过了什么吗？
你是否知道在这个例子中是否有办法让我查询 ms1 的 tensorflow？在我的实际使用中，我没有创建原始变量范围，它是在 tensorflow 中为我创建的，我实际上只是想向该范围添加一些变量。这是优化器实现的一部分，并且 tensorflow 以一种框架未针对我的用例的一个细节处理的方式处理一些范围。如果不放心，还有另一种处理方法。
啊，你可以用tf.variable_scope('myscope/'):代替tf.variable_scope(ms1.original_name_scope)我不知道使用'/'是必要的。现在一切都说得通了！再次感谢。

【解决方案2】：

kmario23 提到的答案是正确的，但有一个棘手的情况是tf.get_variable 创建的变量：

with tf.variable_scope('myscope'):
    print(tf.get_variable('var1', shape=[3]))

with tf.variable_scope('myscope/'):
    print(tf.get_variable('var2', shape=[3]))

这个sn-p会输出：

<tf.Variable 'myscope/var1:0' shape=(3,) dtype=float32_ref>
<tf.Variable 'myscope//var2:0' shape=(3,) dtype=float32_ref>

tensorflow 似乎还没有提供正式的方法来处理这种情况。我找到的唯一可能的方法是手动分配正确的名称（警告：不保证正确性）：

with tf.variable_scope('myscope'):
    print(tf.get_variable('var1', shape=[3]))

with tf.variable_scope('myscope/') as scope:
    scope._name = 'myscope'
    print(tf.get_variable('var2', shape=[3]))

然后我们可以得到正确的名字：

<tf.Variable 'myscope/var1:0' shape=(3,) dtype=float32_ref>
<tf.Variable 'myscope/var2:0' shape=(3,) dtype=float32_ref>

【讨论】：